合成孔径雷达(Synthetic Aperture Radar,SAR)图像分割是SAR图像自动解译的关键技术之一。SAR图像特有的乘性斑点噪声使SAR图像分割比较困难,传统的针对加性噪声的图像分割方法不再适用于SAR图像。而由于乘性斑点噪声的存在,SAR图像具有与普通光学图像不同的统计分布特性。因此可以对SAR图像建立一定的统计模型,并结合相应的概率准则构建目标函数,对其进行优化以得到分割结果。这类基于统计模型的分割方法通常不需要对SAR图像进行相干斑滤波预处理,甚至分割的同时完成相干斑滤波,因而更符合SAR图像的特点,已受到越来越多的重视。本文主要研究了几种基于统计模型的SAR图像分割方法,具体工作概括如下:(1)由于边缘信息在SAR图像分割中具有重要的作用,本文首先从斑点滤波后边缘检测和斑点滤波前边缘检测两方面分别进行了研究。对于前者,研究了不同形状的非方形局部窗对斑点滤波的影响,证明了这些非方形局部窗在保证斑点平滑效果的同时,能够更好的保留SAR图像的边缘信息,并且局部窗的选择对斑点滤波效果的影响非常重要;对于后者,重点研究了具有恒虚警特性的ROA(Ratio-of-averages)边缘检测算法。由于不需斑点滤波,能够直接对SAR图像进行边缘检测,该方法较之传统的微分算子法更适合于SAR图像的边缘检测。实验同时比较了ROA检测算法中局部窗大小及虚警概率对检测结果的影响。(2)针对减少分割中自由参数的目标,提出了一种基于最小描述长度(Minimum Description Length,MDL)原理的SAR图像分割方法。在假定SAR图像各分割区域像素值恒定的前提下,针对对数SAR图像建立统计模型,结合信息论中的MDL原理建立目标函数,通过目标函数的极值化,得到在描述长度最小意义下的SAR图像的重建图像,最后通过进一步的阈值化处理得到理想的分割结果。整个分割算法可自动完成,不需要参数调节,有一定实用价值。(3)由于水平集活动轮廓图像分割方法具有计算稳定、对噪声较不敏感、能够自动适应曲线拓扑变化及得到封闭目标边界等优点,本文重点研究了基于水平集活动轮廓SAR图像分割方法。考虑到GAC模型仅利用边缘信息以及GAR模型仅利用区域信息的局限,本文提出了一种基于ROA-G模型的水平集活动轮廓分割方法,该方法不仅利用了ROA算子检测的边缘信息,而且利用了基于Gamma分布统计特性的区域信息,因此能够得到较之传统的GAC模型法和GAR模型法更理想的SAR图像分割结果。(4)随着SAR图像分辨率的提高,SAR图像的统计模型不再完全符合Gamma统计分布。因此,本文提出了一种目标和背景区域差别统计分布的分割方法——基于Fisher和Gamma分布的水平集高分辨SAR图像分割方法。理论分析和仿真实验表明,对于不同分辨率、不同场景区域的SAR图像,采用差别的统计模型更为准确;具有“长拖尾”的Fisher分布适合作为SAR图像中具有强散射点的目标区域的统计模型,而对于背景区域仍可沿用Gamma分布模型。此外,由于Fisher分布不属于指数类分布,其参数估计不适于采用最大似然估计方法,本文还就三种Fisher分布参数估计方法进行了对比分析。(5)针对基于统计模型的水平集高分辨SAR图像分割中参数估计耗时较多的问题,提出了一种有监督的水平集SAR图像分割方法,该方法在分割前选取合适的训练数据进行统计参数估计,而在每次分割曲线迭代时不需重新估计参数,因此,整个分割过程只需一次参数估计,从而节省了运算时间,加快了分割速度,特别是对于较为耗时的Fisher分布参数估计,运算时间的减少比较显著。实验结果表明,只要在分割前选择合适的训练数据,有监督方法在取得与无监督方法相近分割效果的同时,能够有效减少运算时间,并且运算时间的减少程度与统计分布的参数估计复杂程度及分割迭代次数有关。